8.3模型三的结果分析
9.问题四的解答
针对问题四，我们建立了模型四。 9.1模型四的建立 9.1.1确立目标函数
由问题一的求解结果可知 ,第三组巡视路线较第一组 、第二组巡视路线长,故我们不妨讨论在T,t和V改变时对第三组巡视路线的影响进行分析以说明问题。假设乡（镇）停留时间是村停留时间的n倍?n?0?，则以该组完成巡视需要的时间为目标函数：
T3
则
T3?S3S?M3T?mt?3??M3n?m3??t VV9.1.3综上所述，得到问题四的模型
T3?S3S?M3T?mt?3??M3n?m3??t VV9.2 模型的求解
将第三组巡视的有关数据带入上式得：
T0?216.2??6n?11??t V9.3模型四的讨论分析
下面就V，t的改变即行程速度和停留时间的改变，对上式模型的分析如下：
（1）若t为定值，则式中?6n?11?是常数，V，T0分别是自变量和因变量，且V，T0之间为反比例函数。假设n?2,t?0.5,，则V?T0如下：
250200150T010050001020304050V60708090100
由上图可知，此时提高汽车的时速V，T0变化很小，说明V对T0影响不明显，即增大时速V对最佳巡视路线的选择影响不大。
（2）若V为定值，则式中
216.2是常数，t，T0之间是正比例函数关系。假V设V?35公里/小时，n?2，则t?T0如下：
250020001500T01000500001020304050t60708090100
由上图可知，此时停留时间t减小，T0成线性递减趋势，从而说明t对T0的影响明显，即停留时间t对最佳巡视路线的选择影响较大。
综上所述，停留时间的改变对最佳巡视巡视路线影响比较大；汽车时速的改变对最佳巡视路线的确定影响很小。
10．模型优缺点
10.1 模型的优点
优点一： 模型一和模型二分部采用了路程均衡度和时间均衡度进行了评估，提高了模型的实用性；
优点二：在模型的求解时，先进行了主观判断，再利用计算机软件进行求解，大大减少了计算量。
优点三：模型求解过程，对模型进行了逐步调整，增加了结果的准确度 10.2 模型的缺点
缺点一：由于本模型要分析比较,运算量较大,出现误差在所难免；
缺点二：本文是在假定汽车匀速行驶 ,巡视组在乡镇的停留时间为村的倍数等条件下建立模型 ,在操作时根据实际情况可以适当调整；
缺点三：在分块的过程中，没有明确的算法，只是通过主观判断来将子图的顶点进行调整；
11.模型的改进与推广
11.1模型的改进
（1）由于该模型采用网络图的最小树形图与以O为出发点的最短路树形图相结合的方法求解是比较好的 ,
（2）由于在建模过程中对实际可能发生的情况考虑较少 所以在实际应用中,某些情况仍需进步讨论 ,使得到的方案更加实用 11.2模型的推广
这种设计最佳路线的问题在实际生活中有很多，所以此模型在日常中发挥了很重要的作用。在解决多路旅行商，车辆路线组织、考察某地灾情和作业调度等方面的问题时可以用这些方法来解决。
12.参考文献
[1] 宋来忠，王志明,数学建模与实验,北京：科学出版社,2005。 [2] 韩中庚，数学建模方法及其应用，北京，高等教育出版社，2007。 [3] 杨学桢，数学建模方法，河北大学出版社，1999。
附录
附录一：
clc,clear a=zeros(53);
a(50,1 )=6.0;a(50,53)=12.9;a(50,38)=11.5;a(50,2)=9.2;a(50,48)=19.8;a(50,51)=10.1;
a(1,36)=10.3; a(1,37)=5.9;a(1,38)=11.2; a(2,3)=4.8;a(2,5)=8.3;
a(3,38)=7.9;a(3,39)=8.2;a(4,39)=12.7;a(4,8)=20.4; a(5,48)=11.4;a(5,39)=11.3;a(5,6)=9.7; a(6,48)=9.5;a(6,7)=7.3;a(6,47)=11.8;
a(7,39)=15.1;a(7,40)=7.2;a(7,47)=14.5;a(8,40)=8.0; a(9,40)=7.8;a(9,41)=5.6;a(10,41)=10.8; a(11,45)=13.2;a(11,40)=14.2;a(11,42)=6.8; a(12,42)=7.8;a(12,41)=12.2;a(12,43)=10.2;
a(13,44)=16.4;a(13,45)=9.8;a(13,42)=8.6;a(13,14)=8.6; a(14,15)=15;a(14,43)=9.9;a(15,44)=8.8;
a(16,17)=6.8;a(16,44)=11.8;a(17,22)=6.7;a(17,46)=9.8; a(18,46)=9.2;a(18,45)=8.2;a(18,44)=8.2; a(19,20)=93;a(19,47)=7.2;a(19,45)=8.1; a(20,21)=7.9;a(20,25)=6.5;a(20,47)=5.5; a(21,23)=9.1;a(21,25)=6.5;a(21,46)=4.1;
a(22,23)=10.0;a(22,46)=10.1;a(23,24)=8.9;a(23,49)=7.9; a(24,27)=18.8;a(24,49)=13.2;a(25,49)=8.8;a(25,48)=12.0; a(26,27)=7.8;a(26,51)=10.5;a(26,49)=10.5;a(27,28)=7.9; a(28,52)=8.3;a(28,51)=12.1;
a(29,52)=7.2;a(29,53)=7.9;a(29,51)=15.2; a(30,32)=10.3;a(30,52)=7.7;
a(31,32)=8.1;a(31,33)=7.3; a(31,53)=9.2; a(32,33)=19;a(32,35)=14.9;a(33,36)=7.4; a(34,35)=8.2;a(34,36)=11.5;a(34,13)=17.6;
a(37,38)=12.2;a(36,53)=8.8;a(37,38)=11.0;a(44,45)=15.8;a(48,49)=14.2; a=a+a';
a(find(a==0))=inf; result=[]; p=1;
tb=2:length(a);
while length(result)~=length(a)~1 temp=a(p,tb);temp=temp(:); d=min(temp);
[jb,kb]=find(a(p,tb)==d); j=p(jb(1));k=tb(kb(1)); result=[result,[j;k;d]]; p=[p,k];
tb(find(tb==k))=[]; end result